基于改进DenseNet的固井质量评价新方法

为解决固井质量评价效率低、准确率不高的问题,提出一种基于改进的DenseNet卷积神经网络的评价方法。该方法通过增加多尺度卷积层可以同时获取固井质量特征图的大尺度和小尺度特征,从而提高感受野的覆盖范围,增强模型对不同尺度的适应能力;通过嵌入CBAM机制使模型在空间和通道两个维度上充分提取对评价任务有用的信息,增强模型对特征的关注能力和感知能力,提升评价结果的准确度以及模型的鲁棒性;同时,通过缩减网络层数减少模型参数的数量,提升模型的计算效率以及泛化能力。实验结果表明,测试集中的3类评价样本的准确率为95.86%,相比DenseNet-121提升了4.9百分点左右,且参数量显著减少;相比BP神经网络和支持向量机均提升了9百分点左右。从而揭示出,采用改进DenseNet模型实施固井质量评价的研究方案不仅是可行的,而且优于同类机器学习方法。

DenseNet和SeNet融合残差结构的DR分类方法

糖尿病性视网膜病变(diabetic retinopathy,DR)是糖尿病在发病过程中影响视网膜的症状。针对模型下采样过程中特征提取DR图像微动脉瘤等病灶区域信息丢失问题,提出了一种DenseNet融合残差结构的模块。该模块首先连接两个连续的dense block,然后利用残差结构对特征信息求和,并行融合处理特征图像信息,以防止有效特征信息的丢失,最后残差连接两个含有dropout的卷积块,抑制过拟合现象。针对以往卷积操作中未对病变区域的特征图通道加权的问题,提出了一种SeNet融合残差结构的模块。该模块首先连接SeNet,把全局平均池化和全局最大池化的特征信息相加,以提高有效通道信息的利用率,然后通过Conv1×1的残差方式来保证特征图信息的完整性。基于以上两个模块的设计,提出了一种DenseNet和SeNet融合残差结构的DR分类方法。该模型在APTOS2019数据集上的精确度达到89.8%,特异性达到97.0%,在Messidor-2数据集上的精确度达到78.8%,特异性达到91.9%,能够有效地提高视网膜图像病变程度的分类能力。

基于DenseNet卷积神经网络的短期风电预测方法

风能作为一种清洁、可再生的能源,在能源转型中扮演着至关重要的角色,准确预测风电出力对电力系统的安全高效运行非常重要,然而风速的波动性和随机性,对风电预测带来了挑战。为了提高风电预测的准确性,提出了一种基于DenseNet卷积神经网络的短期风电预测模型。该模型通过精简DenseNet201网络得到了拥有出色的密集连接结构和适当深度、宽度的DenseNet160网络,不仅能缓解训练过程中梯度消失现象,还能通过密集连接将浅层的信息反映到深层,实现深度监督。基于巴西纳塔尔地区378 d的风力数据集,采用DenseNet160网络以及27种算法对未来一天的风力发电情况进行预测。结果表明:DenseNet160网络的平均绝对误差、均方误差以及平均绝对百分误差比其他算法分别降低了至少10.89%,4.98%,8.68%;同时,与使用相同数据集的混合经济模型相比,DenseNet160网络的MAE值小了25.56%。说明该模型能精准地拟合风力发电数据,获得可靠的风力预测结果。

地震宽角反射/折射方法发展述评

本文从地震宽角反射/折射方法的仪器装备、观测系统、观测实验、震相识别、数据分析等主要技术环节的出现、改进、发展、完善,回顾了该方法的百年发展历史.按照我们的见解,将其发展过程分为萌芽期、诞生期、成长期和发展期.对于早期的追溯,重点放在方法的孕育和诞生起到关键作用的人物和事件上,并且尽可能详细;对后期的回顾,聚焦在方法的技术内容的萌发、出现、改进、应用和重点文献等方面,如,何时出现了剖面方法、相遇和追逐观测、地震宽角反射/折射剖面数据的完备性等,成果表述不作为重点,而且叙述简略.述及了天然地震学、地震折射勘探、地震反射勘探、电子技术、通讯技术、测量技术、计算机技术、计算数学等相关学科的进步,对地震宽角反射/折射方法发展的促进作用.展望未来,宽角反射/折射方法在我国深部探测与矿产资源勘查领域大有可为.以此文致敬追寻科学真理的地学前辈.

融合DenseNet和注意力机制的永磁定位方法

基于永磁体的定位技术为运动跟踪、机器人定位导航和医疗器械跟踪领域提供了一种无线、高精度、低成本的解决方案。为解决基于磁偶极子模型和LM(Levenberg-Marquardt)算法的定位方法过于依赖初始值、计算耗时受限的问题,利用基于磁偶极子模型先验知识的约束条件构造惩罚函数,提出一种融合密集卷积网络(DenseNet)和注意力机制(SE Block)的永磁定位方法。实验结果表明:在48~118 mm的高度范围内,本文方法定位精度可达(1.79±1.05)mm和1.12°±0.53°,平均计算耗时降低至1.6 ms,提升了永磁定位系统计算的速率和稳定性。

装配式建筑梁柱节点疲劳损伤检测方法研究

常规的装配式建筑梁柱节点疲劳损伤检测主要采用梁柱图像分析实现,忽略了节点内部损伤的影响,导致检测结果相对变化量系数与实际系数的差值较大。本文对装配式建筑梁柱节点疲劳损伤检测方法进行了研究,于装配式建筑梁柱周围布置测点对梁柱节点的应变状态进行分析;根据分析结果,结合梁柱内部能量耗散值,计算节点疲劳损伤能量系数;将该系数作为节点应变能密度因子分析节点轴向力,由此得出检测的梁柱节点疲劳损伤值。实验结果表明,所提方法应用后梁柱节点疲劳损伤检测结果表现出的相对变化量系数差值较小,检测结果准确率较高,满足了装配式建筑梁柱安全运维工作的现实需求。

实证研究在临床实践指南制订中的思考及方法学建议

临床实践指南制订的方法学理论在真实的制订情境下存在诸多问题,缺乏对于实际情况的考量,致使其对于指南制订的指导性下降。本文深入剖析了指南制订中理论与实践相关的多方面难点,包括指南制订时方法学理论与实践存在偏差、缺乏大样本的指南方法学相关的实证研究、方法学理论在实证运用后对于局限性和未来研究建议的报告内容不足且形式不规范的问题。为提高未来指南制订方法学的指导性,本课题组提出了多项方法学建议,包括倡导开展对方法学理论进行验证的实证研究、促进大样本实证研究和对比研究开展、规范实证研究后对局限性和未来研究建议的报告内容和形式,以期为指南制订方法学研究者及指南制订小组提供参考。

虚拟震源地震探测方法及其应用

SsPmp震相是远震直达S波在地表激发的下行P波在Moho面反射的震相,具有信号能量大、信噪比高、不易受近地表沉积层和地壳小尺度结构扰动的影响等优势.虚拟地震测深方法(VDSS)是近年来发展的利用SsPmp震相与直达Ss波震相的到时差来研究地壳厚度(或Moho面深度)的探测方法.本文介绍了VDSS方法的原理、优势及其在实际应用中的表现.研究表明,VDSS方法在提高探测精度、降低成本、环境影响等方面具有显著优势,且成功应用于克拉通、造山带和沉积盆地、峨眉山大火成岩省等不同地质环境中,在探测地壳结构中展现出巨大潜力和应用价值.但是VDSS方法的准确度高度依赖于地震数据的质量,尤其是远震S波的清晰度和震中距的范围,使得该方法在复杂地质结构区域的应用受到较大限制.未来,VDSS与传统接收函数方法、地震层析成像、重力测量等多类地球物理方法的结合,有望为地壳结构探测提供更全面的约束.

基于改进DenseNet的茶叶病害小样本识别方法

针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法。SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet(Squeeze-and-ExcitationNetworks)模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响。通过与原模型DenseNet以及其他经典分类模型(AlexNet、VGG16、Res Net101)进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66%。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考。

基于改进DenseNet的牛眼图像特征提取方法

针对牛眼图像特征提取过程中由于梯度消失和过拟合造成的识别准确率较低的问题,提出一种基于改进DenseNet的牛眼图像特征提取方法。首先采用缩放指数线性单元(SeLU)激活函数防止网络梯度消失;其次通过DropBlock随机丢弃牛眼图像的特征块,从而防止过拟合,并加强网络的泛化能力;最后将改进后的稠密层进行叠加以组成改进的DenseNet(Dense convolutional Network)。在自建牛眼图像数据集上进行特征信息提取识别实验的结果表明,改进后的DenseNet识别准确率、精确率和召回率分别为97.47%、98.11%和97.90%;较改进前的网络在识别准确率、精确率和召回率上分别提升了2.52个百分点、3.32个百分点和2.94个百分点,可见改进后的网络具有较高的精度与鲁棒性。

基于生成对抗网络和DenseNet的数据信息安全识别方法

针对传统电力巡检过程中必须依靠有经验的人工来完成对电力设备相关数据信息安全进行识别的方法,设计了一种基于生成对抗网络和密集连接网络的数据信息安全识别方法,采用生成对抗网络模型,利用其强大的表征能力,通过针对网络模型的训练完成对训练样本数据库的扩充,实现提升模型生成能力的目的;结合密集连接网络对电力巡检数据信息的安全性进行识别,实现解决电力巡检安全隐患的同时还可以推动人工智能技术的落地应用;通过在电力巡检数据信息集上的验证实验,比较不同方法在不同类型数据集上的识别精度,验证了基于生成对抗网络和密集连接网络的数据信息安全识别方法的有效性与可靠性,为传统识别电力巡检数据信息安全性的方法提供了全新思路。

基于全卷积DenseNet的前列腺MRI分割新方法

前列腺磁共振图像(MRI)的自动分割对前列腺疾病的诊断至关重要,但是前列腺区域所占比例过小、组织边界模糊等问题为自动分割带来极大困难。针对这些问题,提出了一种基于全卷积DenseNet的前列腺MRI图像分割方法。该方法以现流行的深度学习理论为基础,利用迁移学习的思想,将DenseNet从自然图像迁移到前列腺数据集;采用反卷积和类似U-Net的全卷积神经网络结构,实现端到端的图像分割。同时引入并改进Dice相似性损失函数以解决前列腺MRI中背景所占比例远远大于前列腺区域和一些像素难以准确分割等问题。通过在PROMISE12数据集上进行实验,提出的方法 Dice相似性系数达到93. 25%,Hausdorff距离小于1. 2 mm,相较于目前的主要方法,分割效果更好、所耗时间更短。

基于AT-DenseNet网络的番茄叶片病害识别方法

针对番茄叶片病害识别方法存在丢失特征信息、易产生过拟合现象和各类样本数据不均匀的问题,提出了基于混合注意力机制的DenseNet的番病叶片病害识别模型AT-DenseNet。该网络模型以DenseNet121为基础,首先,在DenseNet中融入混合注意力机制模块,实现特征复用,并对混合特征赋予不同权重,提高特征提取能力;在分类网络前设计过渡层,匹配特征维度;其次,引入Focal Loss损失函数,专注难分类样本,改善类间样本不均匀问题;然后,采用迁移学习方法,导入预训练权重,重构全连接层,增强模型鲁棒性;最后,在数据增强的辅助作用下,用Plant Village数据集中的6种番茄叶片病害图像进行测试,试验结果表明,本研究提出的AT-DenseNet网络模型在测试集上的准确率可达99.49%,并通过设置消融试验、绘制混淆矩阵等,验证了病害识别模型的有效性,可为番茄叶片的病害识别提供参考。

基于时间序列植被指数的小麦条锈病抗性等级鉴定方法

条锈病严重影响小麦产量,培育抗条锈病的小麦品种至关重要。针对传统育种中抗性鉴定手段单一、效率低的问题,该研究提出了一种通过小麦冠层植被指数的时间序列实现对条锈病不同抗性等级的高效鉴定方法。该方法利用无人机采集自然发病的育种群体小麦(共600个样本,516个基因型)冠层多时相的光谱图像,使用随机蛙跳算法和ReliefF算法筛选出6个条锈病病害严重度的敏感特征:归一化色素叶绿素指数(normalized pigment chlorophyll index,NPCI)、沃尔贝克指数(woebbecke index,WI)、叶绿素红边指数(chlorophyll index rededge,CIrededge)、绿大气抵抗植被指数(green atmospherically resistant index,GARI)、归一化差分植被指数(normalized difference vi,NDVI)、叶绿素绿指数(chlorophyll index green,CIgreen),这些敏感特征在试验群体中的时间序列符合条锈病的发病规律,验证了其作为条锈病发病严重度敏感特征的有效性;基于支持向量机(support vector machine,SVM)算法使用上述敏感特征建立条锈病病害严重度等级分类模型,在测试集的表现中,与使用未经过筛选的原始特征所建立的模型相比在精度、平均准确率、平均召回率和F1分数上分别仅下降6.2%、3.3%、2.7%、4.0%,证明了所筛选敏感特征的有效性;针对一般机器学习算法难以捕捉不同抗性等级样本之间较小的特征变化差异的问题,提出了一种从植被指数时间序列转化生成的二维图像中提取特征实现条锈病抗性等级分类的方法。将敏感特征中能够较好区分不同抗病等级的4个时间序列植被指数(NPCI、GARI、NDVI、WI),通过格拉姆角场方法生成格拉姆角和场图像,并制作成数据集,使用DenseNet121网络进行训练,以实现不同条锈病抗病等级的分类。建立的条锈病抗性等级分类模型中,由NPCI时间序列图像建立的分类模型测试效果最佳,其准确率为0.837,召回率为0.834,F1分数可达0.833,能够较好地实现对群体小麦不同品种(系)的条锈病抗性等级差异的区分,表明基于光谱植被指数时间序列的小麦条锈病抗性等级识别方法可以用于小麦抗病育种中抗性等级的鉴定,并可为其他作物的病害抗性等级鉴定提供一定的参考。

一种基于DenseNet与WGAN-GP的运动迁移方法

针对目前人体骨骼模型运动迁移算法计算精确度不高,提出了一种基于DenseNet的骨骼卷积网络与WGAN-GP模型的运动迁移方法。通过对源与目标骨骼模型分别提取静态特征,并对源骨骼静态特征与源运动序列使用动态编码器提取源动态特征,从而能够对目标骨骼静态特征与源动态特征使用解码器生成目标运动序列,完成运动迁移。在网络模型训练时,同时引入了WGAN-GP网络模型机制对生成序列和源运动序列的动、静态特征误差进行约束。实验结果表明:该方法的运动迁移模型各关节点相对于单位身高的运动误差较小,能够生成较好保留源动态特征的目标运动序列。

改进DenseNet模型在工件表面粗糙度视觉检测中的应用

针对原始DenseNet模型检测工件表面粗糙度时间长、准确率较低的问题,结合卷积层滤波器注意力机制和批归一化层缩放系数提出一种工件表面粗糙度检测的深度学习模型。首先,利用注意力重要性值判定模块内的冗余通道。其次,在Dense Block模块内引入批归一化层缩放系数判别特征通道的重要程度。最后联合卷积层滤波器的注意力重要性值和批归一化层缩放系数裁剪冗余通道,实现模型剪枝。实验结果表明,原始DenseNet模型检测工件表面粗糙度的准确率为91.875%,检测时间为483 s。当剪枝率为20%时,其检测效果最好,检测准确率为96.875%,检测时间为255 s。相比于原始DenseNet模型,改进后的DenseNet模型检测效果更好,在质量检测领域方面具有一定的应用前景。

基于全景展开图像的水工隧洞渗水侵蚀病害快速检测方法研究

为解决水工隧洞尺寸较小、断面形式多变、洞内环境复杂、无信号覆盖给检测图像快速采集带来的难题,研制出一种无信号覆盖下图像实时传输以及适用于不同断面、尺寸下隧洞全断面采集的水工隧洞检测系统,采集重叠率和精度满足三维重建及对自主研发的衬砌展开影像生成器的要求;针对隧洞表观病害传统算法速度慢、精度低等问题,引入DenseNet主干网络和ECA注意力机制对YOLOv5检测算法进行改进,优化特征提取能力;针对单张图像识别难以反映病害整体分布、全景展开图尺寸过大网络难以捕获有效特征等问题,以全景展开图底层图像为种子点,利用方向搜索结合目标检测算法提出一种“段-环-点”的隧洞常见表观病害快速识别算法。现场应用表明:1)相比YOLOv7-tiny、YOLOv8、YOLOv9等模型,改进的YOLOv5模型在mAP和F 1上均有明显提高,可有效提升复杂背景下病害识别与边界定位精度,显著减少误检和漏检现象;2)所提技术适用于圆涵、箱涵等不同类型、尺寸的水工隧洞表观图像快速获取与全景识别,能够用于隧洞表观病害的展示和快速定位,可为病害整治措施的及时制定提供依据。

基于改进DenseNet模型的电压暂降故障识别方法

为了解决电力系统中常见的电压暂降故障的识别问题,文章提出了一种基于改进DenseNet模型的识别方法。首先,将电压信号从时域空间转换到频率空间,并对瞬时电压进行空间坐标变换,将三维静止坐标系转换到二维静止坐标系。其次,将二维坐标矢量轨迹图、电压瞬时波形图和频率空间图像作为改进DenseNet模型的输入,并对这些图像进行二值化处理。最后,在过渡层中引入注意力机制,帮助DenseNet模型更好地集中注意力于关键的特征,在全局平均池化层增加自适应池化功能,以适应处理任意尺寸的图像。实验结果表明该方法能够有效地识别电压暂降故障。

基于改进DenseNet的电阻层析成像图像重建算法

针对电阻层析成像(ERT)的逆问题存在严重的病态性、非线性和欠定性,导致经典算法的重建图像通常精度偏低的问题,提出一种基于改进DenseNet网络优化的电阻层析成像重建算法。首先,采用Landweber算法迭代值作为图像重建初始解;其次,构建了融合CBAM注意力机制的多尺度卷积模块以获取不同尺度特征,从而加强对关键特征的提取;使用DenseNet作为图像重建的主干网络,引入Swish作为网络的激活函数并融合dropout算法提高网络的泛化能力;最后,使用余弦退火算法优化学习率,避免模型训练陷入局部最优。此外,对改进DenseNet网络进行了抗噪性实验和静态实验。实验结果表明,采用改进算法进行ERT图像重建,相对误差和相关系数均得到提升。该算法不仅具有较高的重建精度和良好的可视化效果,还表现出对抗噪声干扰的特性。

基于一维多尺度轻量级DenseNet的配电网高阻接地故障检测方法

高阻接地故障(high impedance grounding fault,HIF)在配网中时有发生,常伴随着电弧,容易造成安全隐患。但其故障特征微弱,难以检测。为此改进了DenseNet网络,提出了基于一维多尺度轻量级DenseNet网络实现HIF检测。通过多尺度卷积层提取序列信号的多尺度特征,使用双通道全连接模块传递特征,且使用了ELU激活函数改善模型性能。同时对仿真模型进行了改进,对实际情况中故障波形的随机波动及零休偏移的现象进行了模拟。实测数据及仿真数据验证了该算法能够识别发生在不同网络结构、不同接地介质的高阻接地故障,并验证了模型的抗噪能力。